强化学习 (RL) 中的少样本学习使智能体能够通过最少的经验快速适应新任务，通常通过利用来自相关任务的先验知识。传统的强化学习需要与环境进行广泛的交互才能学习有效的策略，这在数据稀缺或收集成本高昂的情况下是不切实际的。少样本学习通过训练智能体从少量示例或试验中进行泛化来解决这个问题。这是通过设计在各种任务上进行预训练或使用元学习技术提取可重用知识的算法来实现的，从而使智能体能够通过有限的额外数据快速适应新的情况。
一种常见的方法是元强化学习（meta-RL），其中智能体在多个任务上进行训练，以学习可以快速微调的策略或适应策略。例如，智能体可能会在元训练期间学习导航各种迷宫，然后仅使用新迷宫中的几个 эпизода 来调整其策略。模型无关的元学习 (MAML) 等算法通过优化初始策略参数来适应 RL，这些参数可以通过在新任务上执行几个梯度步骤来有效地进行微调。另一种方法涉及分层策略，其中高级控制器学习以新的组合方式组合低级技能（例如，“向前移动”或“向左转”）以应对未见过的任务。在机器人技术中，这可以使机器人手臂仅通过少量演示就学会操作新对象。
少样本 RL 的优势包括缩短了训练时间和提高了样本效率，但仍然存在挑战。例如，元 RL 需要多样化的训练任务集来确保泛化，而这并非总是可用的。此外，在试验次数有限的情况下，探索（尝试新动作）和利用（使用已知策略）之间的平衡变得更加困难。实际应用包括适应新游戏关卡的 游戏 AI，学习在不熟悉的环境中导航的无人机或处理各种组装任务的工业机器人。为了实现这一点，开发人员通常使用 RLlib 或 OpenAI Gym 等框架，并结合元学习库。关键考虑因素包括设计反映真实世界可变性的任务分配，并确保智能体的架构（例如，用于记忆的循环网络）支持快速适应。